QDCRNet:使用基因表达数据进行病毒检测的量子扩展卷积循环网络
S Karthi1, T Ramalingam2, R Iyswarya2
1Department of IT, St Joseph College of Engineering/ Anna University, Sriperumbudur, Chennai, Tamil Nadu 602117, India.
Computational biology and chemistry
|August 21, 2025
概括
一个新的量子扩展卷积循环网络 (QDCRNet) 增强了基因表达数据的病毒检测. 这种先进的模型提高了诊断准确度, 有助于及时治疗和预防病毒感染.
科学领域:
- 生物信息学
- 计算生物学
- 基因组学
背景情况:
- 病毒感染对全球健康构成重大风险,需要准确和快速的检测方法.
- 目前的诊断挑战包括非特异性症状,可变的病毒表达和测试延迟.
- 有效的病毒鉴定对于及时治疗和控制疾病传播至关重要.
研究的目的:
- 利用基因表达数据开发和评估一种新型的深度学习模型,用于精确检测病毒.
- 通过先进的计算方法解决当前病毒诊断方法的局限性.
主要方法:
- 基因表达数据经历了Box-Cox转换.
- 使用Gower距离和相互信息进行特征选择,以确定相关的基因组区域.
- 使用量子扩展卷积循环网络 (QDCRNet) 实现了病毒检测,该网络集成了量子扩展卷积神经网络 (QDCNN) 和深度循环神经网络 (DRNN).
主要成果:
- 在病毒检测方面,QDCRNet模型表现出很高的性能.
- 获得了90.80%的准确性,90.50%的灵敏性和90.40%的特异性.
结论:
- 通过基因表达数据检测病毒,QDCRNet模型提供了一个强大而准确的解决方案.
- 这种方法有可能显著提高病毒感染的诊断速度和精度.


